大学网课搜题引擎
首页
学习通
应用数学（2）
分类模型 单元测验
题目详情
简答题
下面哪句话是正确的？
A、机器学习模型的精准度越高，则模型的性能越好
B、增加模型的复杂度，总能减小测试样本误差
C、增加模型的复杂度，总能减小训练样本误差
D、以上说法都不对
查看答案与解析
简答题
】分析以下代码apf=[1.14,1.78;1.18,1.96;1.20,1.86;1.26,2.;1.28,2;1.30,1.96]; af=[1.24,1.72;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90;1.40,1.70;1.48,1.82;1 .54,1.82;1.56,2.08]; x= [1.24,1.8;1.28,1.84; 1.4,2.04];m1=mean(apf);m2=mean(af);s1=cov(apf);s2=cov(af); S=(5*s1+8*s2)/13; for i=1:3,D(i)=(x(i,:)-m1)*inv(S)*(x(i,:)-m1)'- (x(i,:)-m2)*inv(S)*(x(i,:)-m2)';endD
简答题
】阅读并运行下面代码，回答问题% 判别分类和贝叶斯分类clear;clc;% Fisher 鸢尾花数据包括 150 个鸢尾花标本的萼片长度、% 萼片宽度、花瓣长度和花瓣宽度的测量值。load fisheririsf=figure;gscatter(meas(:,1), meas(:,2), species,'rgb','osd');xlabel('Sepal length');ylabel('Sepal width');N = size(meas,1);% 线性判别分析lda = fitcdiscr(meas(:,1:2),species);ldaClass = resubPredict(lda);% 计算误分类误差ldaResubErr = resubLoss(lda)% 计算混肴矩阵，2018b以后版本可以直接用confusionchart得到混肴矩阵图ldaResubCM = confusionmat(species,ldaClass);% 绘制错误分类结果figure(f)bad = ~strcmp(ldaClass,species);hold on;plot(meas(bad,1), meas(bad,2), 'kx');hold off;% 网格化分类区域，观测判别曲线figure(2)[x,y] = meshgrid(4:.1:8,2:.1:4.5);x = x(:);y = y(:);j = classify([x y],meas(:,1:2),species);gscatter(x,y,j,'grb','sod')% 使用二次判别分析qda = fitcdiscr(meas(:,1:2),species,'DiscrimType','quadratic');qdaResubErr = resubLoss(qda)% 交叉验证，交叉验证需要随机划分区域rng(0,'twister');% 首先使用 cvpartition 生成 10 个不相交的分层子集。cp = cvpartition(species,'KFold',10)% 使用 10 折分层交叉验证估计 LDA 的真实测试误差。cvlda = crossval(lda,'CVPartition',cp);ldaCVErr = kfoldLoss(cvlda)% 使用 10 折分层交叉验证估计 QDA 的真实测试误差。cvqda = crossval(qda,'CVPartition',cp);qdaCVErr = kfoldLoss(cvqda)% 观测二次判别划分labels = predict(qda, [x y]);figure(3)gscatter(x,y,labels,'grb','sod')% 朴素贝叶斯分类，首先使用高斯分布对每个类中的每个变量进行建模。您可以计算再代入误差和交叉验证误差。nbGau = fitcnb(meas(:,1:2), species);nbGauResubErr = resubLoss(nbGau)nbGauCV = crossval(nbGau, 'CVPartition',cp);nbGauCVErr = kfoldLoss(nbGauCV)labels = predict(nbGau, [x y]);figure(4)gscatter(x,y,labels,'grb','sod')% 朴素贝叶斯分类要求数据呈正态分布，现使用核密度估计建模nbKD = fitcnb(meas(:,1:2), species, 'DistributionNames','kernel', 'Kernel','box');nbKDResubErr = resubLoss(nbKD)nbKDCV = crossval(nbKD, 'CVPartition',cp);nbKDCVErr = kfoldLoss(nbKDCV)figure(5)labels = predict(nbKD, [x y]);gscatter(x,y,labels,'rgb','osd')
简答题
我们知道二元分类的输出是概率值。一般设定输出概率大于或等于 0.5，则预测为正类；若输出概率小于 0.5，则预测为负类。那么，如果将阈值 0.5 提高，例如 0.6，大于或等于 0.6 的才预测为正类。则准确率（Precision）和召回率（Recall）会发生什么变化？(precision=TP/(TP+FP),recall=TP/(TP+FN))。 A、准确率（Precision）增加或者不变 B、准确率（Precision）减小 C、召回率（Recall）增加或者不变 D、召回率（Recall）增大
简答题
数据科学家经常使用多个算法进行预测，并将多个机器学习算法的输出（称为“集成学习”）结合起来，以获得比所有个体模型都更好的更健壮的输出。则下列说法正确的是？ A、基本模型之间相关性高 B、基本模型之间相关性低 C、集成方法中，使用加权平均代替投票方法 D、基本模型都来自于同一算法
简答题
】阅读下面代码，并回答问题clear;clc;load fisheriris% 用高维数据存储，调用并行计算，当数据量很大时，用tall计算很高效tx = tall(meas);ty = tall(species);% 将一小部分计算结果放入内存numObs = gather(length(ty));% 简单抽样用于训练rng('default') tallrng('default')numTrain = floor(numObs/2);[txTrain,trIdx] = datasample(tx,numTrain,'Replace',false);%第15行tyTrain = ty(trIdx); % 训练模型mdl = fitctree(txTrain,tyTrain); % 可视化决策树view(mdl,'mode','graph')% 预测测试集txTest = tx(~trIdx,:);label = predict(mdl,txTest);% 混肴矩阵tyTest = ty(~trIdx);%第29行cm = confusionmat(tyTest,label);disp('混肴矩阵');disp(cm);
简答题
下列哪些属于监督学习？ A、朴素贝叶斯 B、支持向量机 C、聚类 D、决策树
简答题
如果在大型数据集上训练决策树。为了花费更少的时间来训练这个模型，下列哪种做法是正确的？ A、增加树的深度 B、增加学习率 C、减小树的深度 D、减少树的数量
应用数学（2）
章节列表
分类模型 单元测验
8